Sáu nhánh cho sáu nhu cầu
Mô hình LFM3 là một dòng mô hình trọng số mở của Liquid AI, gồm sáu checkpoint thuộc lớp 2B được xây dựng cho văn bản, thị giác, âm thanh, đa phương thức và ra quyết định, thay vì dồn mọi năng lực vào một mô hình tổng quát duy nhất. Liquid AI công bố dòng này ngày 27 tháng 10 năm 2026.
Danh mục gồm LFM3-1.7B cho tác vụ văn bản; LFM3-VL-2B xử lý văn bản, hình ảnh và video; LFM3-Audio-2B tập trung vào văn bản và âm thanh; LFM3-Omni-2B kết hợp các đầu vào ấy để tạo văn bản và lời nói. Hai mô hình d1-2B và d1-omni-2B hướng tới quyết định, với đầu ra là câu trả lời đã hiệu chuẩn thay vì văn bản sinh tự do. Đây là lựa chọn thiết kế có ý nghĩa: người triển khai có thể chọn đúng kiểu năng lực, thay vì mặc định rằng một mô hình nhỏ phải làm tốt mọi việc.
Cả sáu mô hình phân nhánh từ backbone tiền huấn luyện LFM3-1.7B-Base. Các trọng số nền tảng lẫn phiên bản hậu huấn luyện được cung cấp trên Hugging Face, Liquid AI Playground và API của công ty. Với người dùng, giá trị của cách phát hành này nằm ở khả năng thử và triển khai nhiều dạng đầu vào trên một nền kiến trúc chung.
Backbone chung, ngữ cảnh 256K
Backbone chung không có nghĩa sáu mô hình là những bản sao chỉ khác tên. Nó là điểm xuất phát đã được huấn luyện trước, từ đó các phiên bản được chuyên biệt hóa theo phương thức đầu vào, đầu ra hoặc nhiệm vụ. Riêng LFM3-1.7B có 1,73 tỷ tham số, bộ từ vựng 128.000 token, hỗ trợ 16 ngôn ngữ và ngữ cảnh tối đa 256K token.
Kiến trúc 24 lớp gồm 13 lớp tích chập ngắn có cổng, năm lớp chú ý cửa sổ trượt với cửa sổ 256 token và sáu lớp chú ý toàn cục. Con số 256 token mô tả cửa sổ của một loại lớp, không phải giới hạn ngữ cảnh toàn mô hình. Nhầm hai thông số này sẽ khiến người đọc đánh giá sai khả năng xử lý chuỗi dài.
Cách phối hợp ba loại lớp—tích chập cho cấu trúc cục bộ, chú ý cửa sổ trượt cho quan hệ ở khoảng cách trung bình và chú ý toàn cục để kết nối chuỗi—là trọng tâm của thiết kế tri-hybrid. Liquid cho biết mô hình văn bản cần khoảng 1 GB bộ nhớ ở độ chính xác 4-bit. Điều đó giúp LFM3 đáng chú ý với triển khai gọn nhẹ, nhưng ngữ cảnh lớn không tự động biến mô hình nhỏ thành lựa chọn tốt cho mọi bài toán nhiều bước.
Benchmark cho thấy thế mạnh, chưa khép lại tranh luận
Benchmark AI của Liquid đặt mô hình LFM3-1.7B đã qua hậu huấn luyện cạnh MiniCPM5-2B trên 27 bài kiểm tra: LFM3 thắng 23 hạng mục, MiniCPM5 thắng bốn. Chênh lệch nổi bật của LFM3 nằm ở một số bài kiểm tra tác tử và dùng công cụ; MiniCPM5 nhỉnh hơn ở một số phép đo kiến thức và độ bền đa lượt. Đây là kết quả đáng chú ý, nhưng không nên diễn giải thành tuyên bố rằng LFM3 thắng mọi loại tác vụ.
Phạm vi so sánh đặc biệt quan trọng: bảng 27 bài kiểm tra nói về LFM3-1.7B hậu huấn luyện, không phải checkpoint cơ sở LFM3-1.7B-Base. Bảng điểm của MiniCPM5 do OpenBMB công bố lại dùng các bài kiểm tra, cách chuẩn hóa và nhóm đối thủ khác; hai bảng không thể lấy điểm trừ cho nhau. Vì vậy, kết quả 23–4 không phải phép đo trực tiếp giữa hai checkpoint gốc.
Các con số do Liquid tự chạy trên quy trình đánh giá của hãng và chưa được tái lập độc lập. Tính đến ngày 28 tháng 10 năm 2026, chưa có mục LFM3 trên Artificial Analysis để đối chiếu. Một lưu ý nữa: các điểm Terminal-Bench 2.1 là 12,92 và SWE-bench Multilingual là 23,00 không đủ để kết luận mô hình phù hợp cho một tác nhân lập trình tự chủ.
Kết luận: chọn theo tác vụ, chờ kiểm chứng độc lập
LFM3 đáng quan tâm không phải vì một bảng xếp hạng duy nhất, mà vì Liquid AI đưa sáu lựa chọn chuyên biệt lên cùng backbone, đồng thời giữ ngữ cảnh văn bản ở mức 256K. Đây là cách tiếp cận hợp lý cho nhà phát triển cần xử lý các phương thức khác nhau mà vẫn muốn dựa trên một họ mô hình thống nhất.
Tuy nhiên, benchmark hiện có chủ yếu là tuyên bố của nhà cung cấp. Người dùng nên chọn checkpoint theo đầu vào và đầu ra cần thiết, kiểm tra giấy phép cùng khả năng triển khai, rồi tự đánh giá trên dữ liệu thực tế. Cho đến khi có phép đo độc lập trên cùng quy trình, so sánh với MiniCPM5 nên được xem là gợi ý trong phạm vi từng bảng, không phải kết luận cuối cùng về mô hình nào tốt hơn.
